CN111767856B - 基于灰度值统计分布模型的红外小目标检测算法 - Google Patents

Abstract

本发明提出了一种基于灰度值统计分布模型的红外小目标检测算法，主要解决在复杂海空背景下小目标难以检测识别的问题。具体步骤包括：(1)图像区域划分；(2)拟合各区域统计分布模型；(3)对各区域进行区域差异性算法筛选出目标区域；(4)选取块匹配模板，对目标区域采用点块匹配算法检测小目标；(5)对各区域检测结果进行图像重构；(6)输出重构后的图像。本申请发明引入统计方法，能够有效地提高小目标的检测概率，降低虚警概率，在复杂海空背景下具有抗干扰能力强、检测性能好以及适应能力强的优点，可用于红外小目标的检测与跟踪。

Description

基于灰度值统计分布模型的红外小目标检测算法

技术领域

本发明属于红外小目标检测领域，具体涉及一种基于灰度值统计分布模型的红外小目标检测算法。

背景技术

在现代军事领域中，信息战是各国之间军事博弈的重要斗争，其中对目标的检测与识别是对敌方目标准确防御和打击的基础战力。随着国际海洋局势愈发复杂、海军在现代战争中作用的不断提升以及各国研制装备了多类型先进的作战舰，加强海军实力、发展海军力量迫在眉睫。在实际海面搜寻小目标的时候，无法预先获取场景信息与目标信息，同时海洋环境时常恶劣，除了海杂波影响外，还可能受到海天线、海岛、浓雾、逆光等多种因素影响。传统的红外小目标检测算法有Otsu算法、最大中值算法、形态学滤波算法等，其中Otsu算法是基于直方图阈值分割通过最小二乘法推导而来的，理论上能够将分割结果的方差达到最大值，但在复杂海空背景下适应性较差，无法将目标与背景分割开；最大中值算法是一种基于排序统计理论的非线性平滑计数算法，该算法在有效平滑噪声的同时能够充分保留边缘信息，所以被学者广泛应用在数字图像处理的边缘提取中，对目标进行边缘提取时，海空场景中由于海杂波及海天线影响，在保留目标信息的同时也保留了海杂波及海空线的干扰信息，导致目标检测效果差；形态学滤波算法能够通过几何信息滤除多种噪声的同时，使图像固有信息保存，且提取信息连续性良好，但是在复杂海空背景下抗干扰性较差，由于小目标缺乏特定纹理结构，无法提取小目标的有效信息。

综上所述，远海距离下小目标缺乏明显的结构特性、目标尺寸小、易受噪声的干扰，使得对海空背景下目标检测难度增加，容易造成漏警虚警现象；同时由于海杂波以及天空背景的影响，使得图像信噪比较低，目标容易淹没在背景当中。因此对复杂海空背景下红外小目标检测方法的研究具有重要意义。传统的单帧图像检测技术已经大大不能满足当今战场需求，在努力研究预处理技术、单帧图像处理技术及多帧图像处理技术的同时，还应考虑其整体系统适应性，实现高效、稳健的复杂海空背景的红外小目标检测。

发明内容

本申请发明针对远海距离下小目标缺乏明显结构特征、目标尺寸小、易受噪声的干扰以及容易淹没在背景当中导致检测难度增加的问题，提出了一种基于灰度值统计分布模型的红外小目标检测算法。

本发明首先采用灰度值统计分布模型差异性算法对红外图像进行预处理，得到目标区域；其次对目标区域采用点块匹配算法，得到目标区域检测结果；最后对区域二值化图像进行重构得到最终检测结果。具体步骤如下：

步骤一：将红外图像转化成灰度图，均分为3个子区域；将尺寸为x×y的红外图像转化成灰度图像，然后进行区域划分，划分为大小均为(x/3)×y的三个子区域，从左到右分别记为a₁、a₂、a₃，其中x表示红外图像的横向像素数，y表示红外图像的纵向像素数；

步骤二：进行灰度值分布统计；对划分后的三个子区域进行进行灰度值分布统计，并确定每个子区域对应的统计结果所分别遵循的统计分布模型；

步骤三：确定目标区域；根据灰度值统计分布模型的差异性，对三个子区域图像采用区域差异性算法，得到目标区域；具体地，取仅有一个子区域遵循的统计分布模型所对应的子区域为目标区域，剩余两个子区域为非目标区域；

步骤四：对子区域进行二值化处理；设定二值化阈值，将目标区域中灰度值大于二值化阈值的像素值设为1，灰度值小于等于二值化阈值的像素值设为0，实现对目标区域的二值化处理；

步骤五：重构图像；对各区域二值化图像采用图像重构，按照步骤一中的分割步骤进行逆序操作，重构成x×y的二值化图像，并输出。

若将得到的重构图像进行边界收缩处理，输出最终检测结果；

与现有技术相比，本发明的有益效果在于：

本发明适用于复杂海空背景下的红外小目标检测，具有良好的检测性能、抗干扰性和适应性，提高小目标检测概率的同时，对海空场景中云层、海杂波、海天线等因素的抗干扰能力表现良好，可适应于各种复杂海空背景下的红外单目标和多目标检测。

附图说明

图1是本发明的工作流程图；

图2(a)是对原始红外图像按扩充方式一进行预扩充处理的示意图；

图2(b)是对原始红外图像按扩充方式二进行预扩充处理的示意图；

图3是区域差异性算法的流程图；

图4(a)是点块匹配算法的流程图；

图4(b)是块匹配模板示意图；

图5(a)是海空背景下单目标原始图像；

图5(b)是图5(a)经列扩充后的图像；

图5(c)是图5(b)分割后对应的a₁子区域的灰度值分布直方图及其拟合结果；

图5(d)是图5(b)分割后对应的a₂子区域的灰度值分布直方图及其拟合结果；

图5(e)是图5(b)分割后对应的a₃子区域的灰度值分布直方图及其拟合结果；

图5(f)是从图5(b)分割的三个子区域中筛选出的目标区域；

图5(g)是图5(f)经二值化处理后得到的二值化图像；

图5(h)是图5(a)的检测结果；

图6(a)是海空背景下红外多目标原始图像；

图6(b)是图6(a)扩充后的图像；

图6(c)是从图6(b)分割的三个子区域中筛选出的目标区域；

图6(d)是图6(c)经二值化处理后得到的二值化图像；

图6(e)是图6(a)的检测结果；

图7(a)是不同海空场景下红外小目标原始图像；

图7(b)是图7(a)经列扩充后的图像；

图7(c)是从图7(b)分割的三个子区域中筛选出的目标区域；

图7(d)是图7(c)经二值化处理后得到的二值化图像；

图7(e)是图7(a)的检测结果；

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

参照图1至图4(b)，本发明实现步骤如下：

步骤一：将尺寸x×y的红外图像转化为灰度图，然后进行区域划分，划分为大小均为(x/3)×y的三个均等区域，从左到右分别为a₁、a₂、a₃，若图像无法均分，则需要对图像先进行如下预扩充处理；

(1.1)读入红外图像，其大小为x×y，其中x表示红外图像的长，y表示红外图像的宽；

(1.2)若x/3计算结果的余数为2时，采用扩充方式一，如图2(a)所示，：在原图像左边扩充一列像素，该列像素的灰度值与原图像第一列像素的灰度值相等，则经列扩充后图像的为x1×y，其中x1＝x+1，x1表示经列扩充后图像的长，y表示图像的宽；若x/3计算结果的余数为1时，采用扩充方式二，如图2(b)所示：在原图像左右两边各扩充一列像素，左边一列像素的灰度值与原图像第一列像素的灰度值相等，右边扩充后的一列像素的灰度值与原图像最后一列像素的灰度值相等，则经列扩充后图像的为x2×y，其中x2＝x+2，x2表示经列扩充后图像的长，y表示图像的宽。

步骤二：对划分后的三个子区域进行统计分布模型拟合：

(2.1)分别对每个子区域进行灰度值分布统计；

(2.2)引入典型的统计分布模型，如高斯分布、瑞利分布、对数-正态分布、威布尔分布以及伽马分布，与各区域的灰度值分布情况进行拟合，确定各子区域的灰度值分布情况所遵循的经典统计分布模型。

步骤三：确定目标区域；根据灰度值统计分布模型的差异性，确定目标区域，小目标仅存在于其中一个子区域的情况下，必然有两个子区域属于相似的背景图，其灰度值分布情况是类似的，是遵循相同的经典统计分布模型，而包含小目标的子区域，由于小目标的存在，其灰度值分布情况会异于无目标区域的分布情况，其遵循的经典统计分布模型也会不同，由此，仅有一个子区域遵循的统计分布模型所对应的子区域即为为目标区域，剩余两个子区域为非目标区域，从而确定小目标所在的目标区域。

也有可能三个子区域分别对应一个经典统计分布模型，此时，单纯靠上述方法将无法确定目标区域，此时通过采用以下区域差异性算法，确定目标区域：

(3.1)计算各子区域灰度值的最大值，分别记为m₁、m₂、m₃，其中m₁、m₂、m₃分别对应a₁、a₂、a₃子区域中灰度值的最大值；

(3.2)将m₁、m₂、m₃进行数值比较，选出其中的最小值m。

(3.3)以m为阈值，灰度值大于m的像素即属于高灰度区，求出三个子区域中高灰度区所包含的像素个数，即三个子区域中灰度值大于m的像素的个数，分别记为j₁、j₂、j₃；比较j₁、j₂、j₃大小，取三者中的最大值记为j，其中j₁、j₂、j₃分别对应a₁、a₂、a₃子区域中高灰度区的像素个数；

(3.4)设定噪音阈值j₀＝9，将j与j₁、j₂、j₃进行匹配，则若j_i≥9，则j_i(i＝1、2、3，且j_i＝j)对应的子区域为目标区域，其余两个子区域为非目标区域，即可筛选出符合要求的目标区域。

步骤四：对子区域进行二值化处理，对目标区域进行检测，选取块匹配模板，采用点块匹配算法将目标区域进行二值化处理：

(4.1)计算出目标区域中灰度值的最大值，记为d；

(4.2)选择块匹配模板，模板大小为3×3，在高灰度区m～d范围内由大到小顺次选取9个灰度值作为块匹配模板，如图4(b)所示，并计算块匹配模板的均值e：

其中，b_k(k＝1～9)为高灰度区内选取的9个灰度值，∑表示求和。

(4.3)设置小目标阈值r，将目标区域中各像素点的灰度值i(x',y')与e进行数值比较计算，当|e-i(x',y')|≤r时，则该像素点属于小目标，将其像素值更改为1，遍历所有像素点，计算公式为：

其中，r为小目标阈值，x'∈x,y'∈y,为了适应不同的海空场景，对小目标阈值r进行自适应选择，其中d为包含小目标区域的灰度值的最大值，e为块匹配模板的均值，| |为绝对值符号，小目标阈值r满足如下公式：

r＝|d-e| (3)

(4.4)将无目标区域的像素值设为0，实现无目标区域的二值化处理。

步骤五：对各区域二值化图像进行重构，输出重构后的图像：

(5.1)对三个二值化区域图像进行重构，假设目标区域为a₁，无目标区域为a₂、a₃，对三个子区域二值化处理后，将三个子区域视为由像素点构成的矩阵，分别为A₁、A₂、A₃，三个矩阵块的大小均为(x3)×y，为了得到最终检测结果，将三个矩阵进行重构合并为一个矩阵A，矩阵大小为x×y，故可得到重构图像：

A＝[A₁A₂A₃] (4)

其中，x表示红外图像的长，x/3表示子区域图像的长，同时也表示矩阵块的列数，y表示红外图像的宽，同时也表示矩阵块的行数；

(5.2)若原红外图像在划分前经过预扩充处理，则需要对图像重构检测结果经如下处理从而得到最终检测结果：当原始红外图像采用扩充方式一时，需将重构后的二值化图像左边第一列去除；当原始红外图像采用扩充方式二时，需将重构后的二值化图像左边第一列和右边最后一列去除，由以上便可得到红外小目标检测结果，检测结果大小与原始红外图像大小一致。

本发明的效果可通过以下仿真进一步说明：

实验平台：因特尔i7处理器、主频2.40GHz、64位Windows 10下的Matlab R2016a仿真软件。

(1)仿真参数设置：

单目标图像特征：图像的大小为320×196；

多目标图像特征：图像的大小为320×196；

不同海空图像特征：图像的大小为280×228。

(2)仿真结果：

图5(a)是海空背景下红外单目标原始图像；由于原图像为320×196，则需要经过列扩充处理，图5(b)为处理后的结果，为321×196；图5(c)至图5(e)分别是子区域a₁、a₂、a₃的灰度值分布直方图及其拟合结果，通过对比分析，发现图像划分后的三个子灰度值统计分布模型具有差异性：a₁子区域直方图和a₃子区域直方图均满足对数-正态分布模型，并且均无明显的拖尾现象；a₂子区域直方图满足伽马分布模型，且直方图中分布曲线具有明显的拖尾现象，由于a₁子区域和a₃子区域无小目标，而a₂子区域含有小目标，因此无小目标区域所满足的统计分布模型基本一致，且与小目标所在子区域的统计分布模型不同；图5(f)是筛选出的目标区域；图5(g)是目标区域的二值化图像，采用点块匹配算法处理，计算出块匹配模板的均值为210.6，根据检测结果表明该算法可以有效地检测出小目标；为得到最终检测结果，需要对重构后的图像进行处理，由于原始图像经过列扩充，则需要将重构后的二值化图像左边第一列去除，图5(h)是经图像重构及列处理后的最终检测结果,为320×196，与原始红外图像一致，具有较好的检测效果。

图6(a)是海空背景下红外多目标原始图像；图6(b)是原始图像经列扩充后的处理结果，该图像为321×196；图6(c)是采用区域差异性算法的筛选出的目标区域；图6(d)是经点块匹配均值算法处理后得到的目标区域二值化图像，块匹配模板的均值为214.8000；图6(e)是经处理后的最终检测结果，为320×196，成功检测出目标。

图7(a)是不同海空场景下红外小目标原始图像；图7(b)是原始图像经列扩充后的处理结果，该图像为281×228；图7(c)是采用区域差异性算法的筛选出的目标区域；图7(d)是经点块匹配均值算法处理后得到的目标区域二值化图像，块匹配模板的均值为205.5556；图7(e)是经处理后的最终检测结果，为280×228，能有效检测目标。

综上所述，本实施例提出了基于灰度值统计分布模型的红外小目标检测算法，所申请算法具有良好的检测性能，能够有效地检测出小目标，降低漏警概率和虚警概率；并且在复杂海空背景下具有较强的抗干扰能力和较好的适应性，自适应计算出合适的块匹配模板均值，从而有效地检测出单目标和多目标，同时能降低背景及噪声点对小目标检测的影响；具有实用价值，能够满足当前的应用需求。

本领域技术人员可以理解，在本申请具体实施方式的上述方法中，各步骤的序号大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本申请具体实施方式的实施过程构成任何限定。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (3)

1.一种基于灰度值统计分布模型的红外小目标检测算法，其特征在于，包括以下步骤，

步骤一：将红外图像转化成灰度图，均分为3个子区域；具体地，先将尺寸为x×y的红外图像转化成灰度图像，然后将其分割为尺寸为(x/3)×y的三个子区域，从左到右分别记为a₁、a₂、a₃；若x不能被3整除，则对图像进行预扩充处理，使x能被3整除；

步骤二：进行灰度值分布统计；分别对每个子区域进行灰度值分布统计，并确定每个子区域对应的统计结果所分别遵循的统计分布模型；

所述步骤二包括：

(2 .1)统计各子区域的灰度值分布情况；

(2 .2)将各子区域的灰度值分布情况与若干经典统计分布模型进行拟合计算，确定各子区域的灰度值分布情况所遵循的经典统计分布模型，所述经典统计分布模型包括高斯分布、瑞利分布、对数-正态分布、威布尔分布以及伽马分布；

步骤三：确定目标区域；取仅有一个子区域遵循的统计分布模型所对应的子区域为目标区域，剩余两个子区域为非目标区域；

所述步骤三中，若3个子区域对应3个不同的经典统计分布模型，则采用如下差异化方法 确定目标区域，具体地：

(3.1)计算各个子区域中灰度值的最大值，分别记为m₁、m₂、m₃；

(3.2)将m₁、m₂、m₃进行数值比较，选其中最小值记为m；

(3.3)以m为阈值，求出三个子区域中灰度值大于m的像素的个数，分别记为j₁、j₂、j₃，取其中的最大值记为j；

(3.4)设定噪音阈值j₀，若j≥j₀，则j_i，i＝1、2、3，且j_i＝j，对应的子区域为目标区域，其余两个子区域为非目标区域；

步骤四：对子区域进行二值化处理；设定二值化阈值，将目标区域中灰度值大于二值化阈值的像素值设为1，灰度值小于等于二值化阈值的像素值设为0，实现对目标区域的二值化处理；将非目标区域的所有像素值设为0；

所述步骤四包括：

(4.1)计算出目标区域中的最大灰度值，记为d；

(4.2)选择块匹配模板，模板大小为3×3，在m～d中按从大到小的顺序，依次选取9个值作为块匹配模板，并计算块匹配模板的均值e：

其中，b_k为选取的9个灰度值，k＝1～9，∑表示求和；

(4.3)设置小目标阈值r，将目标区域中各像素点的灰度值i(x'，y ')与e进行数值比较计算，当|e-i(x ',y ')|≤r时，则该像素点为小目标，将其像素值更改为1，遍历所有像素点，计算公式为：

其中，r为小目标阈值，r＝|d-e|；

(4.4)将非目标区域的像素值设为0；

步骤五：重构图像，将二值化后的子区域按照步骤一中的分割步骤进行逆序操作，重构成x×y的二值化图像，并输出。

2.根据权利要求1所述基于灰度值统计分布模型的红外小目标检测算法，其特征在于，所述步骤一中，若x不能被3整除，则对图像进行预扩充处理，使x能被3整除；具体包括以下步骤：

若x/3计算结果的余数为2，在原图像左边扩充一列像素，该列像素的灰度值与原图像第一列像素的灰度值相等，经列扩充后图像的长度为x1，x1＝x+1，且x1能被3整除；

若x/3计算结果的余数为1，在原图像左右两边各扩充一列像素，左边一列像素的灰度值与原图像第一列像素的灰度值相等，右边扩充后的一列像素的灰度值与原图像最后一列像素的灰度值相等，经列扩充后图像的长度为x2，其中x2＝x+2，且x2能被3整除。

3.根据权利要求1所述基于灰度值统计分布模型的红外小目标检测算法，其特征在于，所述步骤五包括：

(5.1)若步骤一中，未对原红外图像做预扩充处理，则将三个经二值化处理的子区域图像按照原分布次序重构合并为一张照片，得到重构图像；

(5.2)若原始图像在划分前经过预扩充处理，则按照预扩充处理过程进行逆向处理，删除扩充的列，恢复原始图像的大小，然后再将三个子区域进行重构合并为一张照片，得到重构图像。